Fecha
¿Cómo funciona la arquitectura de datos de Google Search?
20 mayo, 2025
Google maneja un sistema muy complejo y organizado por capas para construir su buscador. A grandes rasgos, el proceso pasa por cuatro etapas:
Adquisición de datos
(Acquiring Data)
La base del proceso
Aquí Google recoge toda la información que luego usará para responder a tus búsquedas.
¿De dónde la obtiene?
- Datos estructurados de terceros (llamados feeds): son archivos o APIs con información organizada (como catálogos de productos, precios de vuelos, datos de eventos, etc.). Google los recibe directamente de empresas como aerolíneas, tiendas o agencias gubernamentales.
- Datos no estructurados de la web: páginas que Google rastrea con su robot (Googlebot), como cualquier sitio HTML común.
Herramienta clave: Multiverse
- Es un sistema que guarda cualquier tipo de archivo (páginas, productos, documentos, etc.) y le asigna una identificación única.
- Aquí es donde todo el contenido (ya sea de feeds o rastreado por Googlebot) se organiza antes de filtrarse.
Preparación de datos para indexación
(Preparing Data for Indexing)
Limpieza y filtrado
En esta etapa, los datos se procesan para decidir si deben ser indexados (mostrados en resultados) o descartados.
¿Qué tareas se hacen?
- Procesamiento de documentos: se extrae el texto visible (incluso si es generado por JavaScript), se detecta el idioma, se eliminan duplicados, se identifican pasajes importantes.
- Filtros de calidad y spam (SpamBrain, Q): detectan contenido basura, hackeado, ilegal o de baja calidad.
- Se crean señales de calidad: enlaces entrantes (A), contenido interno (B) y comportamiento de usuario (C).
- Extracción específica por verticales: como extraer calorías de recetas, vincular productos, o conectar datos con el Knowledge Graph (base de datos de entidades).
Indexación
(Indexing)
Almacenamiento inteligente
Aquí se guardan todos los documentos “aptos” para búsqueda.
¿Cómo se almacenan?
- Índices invertidos (TeraGoogle): palabras → lista de documentos en que aparecen.
- Índices rápidos (Mustang): versiones ligeras para acelerar búsquedas.
- Knowledge Graph: base de datos de entidades (personas, lugares, conceptos) con sus relaciones.
- Índices especializados: para imágenes, vídeos, mapas, noticias, etc.
Consulta y entrega de resultados
(Serving & Querying)
Cuando haces una búsqueda, Google lanza este proceso en milisegundos:
- Superroot (el “director de orquesta”) pregunta a cada vertical (web, noticias, imágenes…) por candidatos relevantes.
- Ranking en etapas:
- Primera pasada: puntuación rápida (con BM25 y señales estáticas como PageRank).
- NavBoost/Glue: reorganiza los resultados según datos de clics reales de usuarios (lo que más se clica para esa búsqueda).
- DeepRank: análisis profundo con IA (tipo BERT) para entender la intención y calidad semántica.
- Construcción del resultado (GWS): se genera el HTML y se entrega al usuario.
¿Qué son los feeds y por qué son importantes?
Los feeds son:
- Archivos o APIs estructuradas que Google recibe de socios (empresas, gobiernos, etc.).
- Contienen datos actualizados y precisos, como:
- Inventarios de productos
- Horarios de vuelos
- Resultados deportivos
- Estadísticas oficiales (población, COVID…)
- Eventos, trabajos, restaurantes, etc.
¿Por qué Google los usa aparte?
- Son más rápidos: no hace falta rastrear páginas.
- Son fiables y con licencia: Google puede tener acuerdos legales para usarlos.
- Tienen formato estructurado: facilitan la validación y el análisis.
- Actualización frecuente: por ejemplo, el precio de un vuelo puede cambiar cada hora.
¿Por qué una web normal no es un feed?
Una página normal:
- Se descubre rastreando (crawl).
- Se analiza con técnicas heurísticas.
- Tiene una URL = un documento.
Un feed:
- Se recibe automáticamente, según programación.
- Tiene un esquema rígido (estructura exacta de datos).
- Puede contener miles de elementos (por ejemplo, una fila por producto).
- Suele estar bajo contrato (no está disponible libremente en la web).
¿Por qué no todo entra al índice?
- Páginas duplicadas, con spam, inseguras o bloqueadas por robots.txt pueden descartarse.
- Algunos documentos no se muestran como enlaces azules, sino como tarjetas de conocimiento (por ejemplo, vuelos, resultados deportivos).
- Otros se usan para enriquecer la experiencia (resúmenes, gráficas, módulos de información).
Resumen breve:
- Google no solo rastrea la web: también recibe datos directamente de empresas en formatos estructurados, como si las empresas le enviaran archivos con información ya organizada.
- Estos datos se procesan en un sistema llamado Multiverse, que filtra la información según su calidad antes de decidir si se incluye o no en los resultados de búsqueda.
- Un sistema central llamado Superroot organiza la respuesta a cada búsqueda combinando:
- Datos de páginas web
- Información sobre entidades (personas, lugares, cosas)
- Comportamiento de los usuarios (qué resultados funcionan mejor)
- La calidad, seguridad y experiencia del usuario son factores clave que Google vigila en todo el proceso.
Spanish 
English